Hive（四）hive函数与hive shell

一、hive函数

1、hive内置函数

（1）内容较多，见《 Hive 官方文档》
            https://cwiki.apache.org/confluence/display/Hive/LanguageManual+UDF
        （2）详细解释：
            http://blog.sina.com.cn/s/blog_83bb57b70101lhmk.html

（3） 测试内置函数的快捷方式：

1、创建一个 dual 表 create table dual(id string);
                  2、 load 一个文件（一行，一个空格）到 dual 表
                  3、 select substr('huangbo',2,3) from dual;

（4）查看内置函数  show  functions;

显示函数的详细信息 desc function abs;

显示函数的扩展信息  desc function extended concat;

(5)详细使用见文档

2、hive自定义函数

当 Hive 提供的内置函数无法满足你的业务处理需要时，此时就可以考虑使用用户自定义函 数
UDF （ user-defined function）作用于单个数据行，产生一个数据行作为输出。（数学函数， 字符串函数）
UDAF（用户定义聚集函数 User- Defined Aggregation Funcation）：接收多个输入数据行，并产 生一个输出数据行。（ count， max）

3、一个简单的UDF函数示例：

（1）先开发一个简单的 java 类，继承 org.apache.hadoop.hive.ql.exec.UDF，重载 evaluate 方法

（2）打成jar包上传到服务器

（3） 将 jar 包添加到 hive 的 classpath

hive>add JAR /root/hivejar /udf.jar;

（4）创建临时函数与开发好的 class 关联起来

Hive>create temporary function tolowercase as ' com.mazh.udf. ToLowerCase ';

(5)至此，便可以在 hql 在使用自定义的函数

select tolowercase(name),age from studentss;

4、Transform实现   （把json数据中timeStamp字段变成日期编号）

Hive 的 TRANSFORM 关键字提供了在 SQL 中调用自写脚本的功能。适合实现 Hive 中没有的 功能又不想写 UDF 的情况
具体以一个实例讲解。

（1）先加载 rating.json 文件到 hive 的一个原始表 rat_json
create table rat_json(line string) row format delimited;
load data local inpath '/root/rating.json' into table rat_json;
（2） 创建 rate 这张表用来存储解析 json 出来的字段：
create table rate(movie int, rate int, unixtime int, userid int) row format delimited fields
terminated by '\t';
解析 json，得到结果之后存入 rate 表：
insert into table rate select get_json_object(line,'$.movie') as moive,get_json_object(line,'$.rate')
as rate,get_json_object(line,'$.timeStamp') as unixtime,get_json_object(line,'$.uid') as userid
from rat_json;
（3）使用 transform+python 的方式去转换 unixtime 为 weekday
先编辑一个 python 脚本文件

vi weekday_mapper.py

#!/bin/python
import sys
import datetime
for line in sys.stdin:
line = line.strip()
movie,rate,unixtime,userid = line.split('\t')
weekday = datetime.datetime.fromtimestamp(float(unixtime)).isoweekday()
print '\t'.join([movie, rate, str(weekday),userid])

保存文件
然后，将文件加入 hive 的 classpath：

最后查询看数据是否正确：
select distinct(weekday) from lastjsontable;

二、Hive  Shell  操作

1、hive 命令行

语法结构：

hive [-hiveconf x=y]* [<-i filename>]* [<-f filename>|<-e query-string>] [-S]

说明：

（1） -i 从文件初始化 HQL。
   （2） -e 从命令行执行指定的 HQL
   （3） -f 执行 HQL 脚本
   （4） -v 输出执行的 HQL 语句到控制台
   （5） -p <port> connect to Hive Server on port number
   （6） -hiveconf x=y（ Use this to set hive/hadoop configuration variables）
   （7）-S 表示以不打印日志的形式执行 （hive -S -e ......）

实例：

（1）

(2)运行一个文件

(3)运行参数文件

从配置文件启动 hive，并加载配置文件当中的配置参数

2、hive参数配置方式

hive参数大全：https://cwiki.apache.org/confluence/display/Hive/Configuration+Properties

开发 Hive 应用时，不可避免地需要设定 Hive 的参数。设定 Hive 的参数可以调优 HQL 代码 的执行效率，或帮助定位问题。然而实践中经常遇到的一个问题是，为什么设定的参数没有起作用？这通常是错误的设定方式导致的。

对于一般参数，有以下三种设定方式：
配置文件 （全局有效）
命令行参数（对 hive 启动实例有效）    （hive -i ...）
参数声明 （对 hive 的连接 session 有效）（进入hive客户端之后设置）

优先级：参数声明 高于命令行参数 高于配置文件

（1）配置文件： Hive 的配置文件包括

用户自定义配置文件： $HIVE_CONF_DIR/hive-site.xml
默认配置文件： $HIVE_CONF_DIR/hive-default.xml
用户自定义配置会覆盖默认配置。
另外， Hive 也会读入 Hadoop 的配置，因为 Hive 是作为 Hadoop 的客户端启动的， Hive 的配
置会覆盖 Hadoop 的配置。
配置文件的设定对本机启动的所有 Hive 进程都有效。

（2）命令行参数：启动 Hive（客户端或 Server 方式）时，可以在命令行添加-hiveconf param=value
来设定参数，例如：
bin/hive -hiveconf hive.root.logger=INFO,console
这一设定对本次启动的 Session（对于 Server 方式启动，则是所有请求的 Sessions）有效。

（3）

参数声明：可以在 HQL 中使用 SET 关键字设定参数，例如：
set mapred.reduce.tasks=100;
这一设定的作用域也是 session 级的。

set hive.exec.reducers.bytes.per.reducer=<number> 每个 reduce task 的平均负载数据量 hive 会估算我们的总数据量，然后用总数据量除以上述参数值，就能得出需要运行的 reduce task 数
set hive.exec.reducers.max=<number> 设置 reduce task 数量的上限
set mapreduce.job.reduces=<number> 指定固定的 reduce task 数量 但是，这个参数在必要时<业务逻辑决定只能用一个 reduce task> hive 会忽略

上述三种设定方式的优先级依次递增。即参数声明覆盖命令行参数，命令行参数覆盖配置文 件设定。注意某些系统级的参数，例如 log4j 相关的设定，必须用前两种方式设定，因为那 些参数的读取在 Session 建立以前已经完成了。